PENERAPAN METODE CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN ARSITEKTUR VGG19 PADA KLASIFIKASI PENYAKIT DAUN TEH

PRIBADI, ARIF (2024) PENERAPAN METODE CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN ARSITEKTUR VGG19 PADA KLASIFIKASI PENYAKIT DAUN TEH. Other thesis, UPN "Veteran" Yogyakarta.

	Text ABSTRAK.pdf Download (85kB)
	Text COVER.pdf Download (328kB)
	Text Daftar Isi.pdf Download (172kB)
	Text Daftar Pustaka.pdf Download (98kB)
	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (1MB)
	Text HALAMAN PENGESAHAN PENGUJI.pdf Download (128kB)
	Text Skripsi Full_Arif Pribadi_123190019.pdf Restricted to Repository staff only Download (10MB)

Abstract

Pengindentifikasian penyakit daun teh merupakan tugas penting. Tanpa bantuan ahli, hasil
pengidentifikasian sering kali bergantung pada keahlian dan pengalaman para petani.
Ketidakmampuan dalam melakukan deteksi akurat berakibat pada penggunaan pestisida atau
bahan kimia yang tidak sesuai. Sehingga dibutuhkan pengefisiensian dalam indentifikasi penyakit
daun teh, salah satunya dengan teknologi image processing dan klasifkasi dengan machine
learning yang membutuhkan banyak data. Pada penelitian ini dilakukan penerapan transfer
learning dengan arsitektur VGG19 pada metode Convolutional Neural Network (CNN) untuk
mengatasi ketergantungan jumlah data pada klasifikasi penyakit daun teh dengan jumlah data
terbatas. Untuk mengoptimalkan model dilakukan proses data Preprocessing dengan proses resize
citra dan normalisasi. Untuk menemukan konfigurasi model terbaik, dirancang kombinasi
pengujian dengan pendekatan yang diujikan yaitu Pre-Trained kemudian di Fine Tuning atau di
Freezing layer, dan uji coba penggunaan arsitektur VGG19 tanpa di Pre-Trained . Pengujian juga
dilakukan dengan uji coba pada epoch 5, 10, dan 15.
Dari ke 9 kombinasi pengujian, performa kombinasi terbaik penerapan model CNN dengan
arsitektur VGG19 pada data penyakit daun diraih dengan konfigurasi epoch sebesar 15 dan Pre-Trained dengan fine Tuning. Dibuktikan dengan capaian data rata rata nilai akurasi training
sebesar 98% sehingga dinilai mampu mempelajari pola - pola dan memprediksi label. Kemudian
dari nilai capaian akurasi validation sebesar 97%, model dinilai mampu menggeneralisasi pola
yang telah dipelajari dari data pelatihan ke data baru untuk melakukan prediksi data yang belum
pernah dilihat selama proses training. Pada konfigurasi tersebut diketahui akurasi dengan data
testing sebesar 98% sedangkan pada nilai loss hanya sebesar 0.1084. Sehingga disimpulkan
penerapan transfer learning dengan arsitektur VGG19 pada metode CNN terbukti efektif dapat
mengatasi ketergantungan jumlah data pada klasifikasi penyakit daun teh dengan data terbatas.
Kata Kunci : Convolutional Neural Network, VGG19, Transfer Learning, Penyakit Daun Teh

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Convolutional Neural Network, VGG19, Transfer Learning, Penyakit Daun Teh
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Apriliani Kusuma Wardhani
Date Deposited:	23 Feb 2024 07:39
Last Modified:	23 Feb 2024 07:39
URI:	http://eprints.upnyk.ac.id/id/eprint/38959

Actions (login required)

View Item